מאמר מחקר
מחקר זה בוחן קשרים בין יסודות זעירים תזונתיים לכאבי גב תחתון כרוניים באמצעות נתוני NHANES. מודלים למידת מכונה ניתנים לפרשנות מיושמים להערכת ביצועים חיזויים ולזיהוי חומרים מזינים הקשורים להפחתת הסיכון, ומספקים תובנות לגבי גורמים תזונתיים אפשריים הקשורים לכאבי גב תחתון.
הקשר בין יסודות זעירים תזונתיים לסיכון לכאבי גב תחתון כרוניים (LBP) נותר לא ברור. נתונים מסקר הבריאות והתזונה הלאומית (NHANES) 2001–2004 ו-2009–2010 נותחו. הרב-קוליניאריות הוערכה באמצעות גורמי מתאם ואינפלציית שונות (VIF) של ספירמן, ובחירת תכונות בוצעה באמצעות אלגוריתם בורוטה. שישה מודלים של למידת מכונה פותחו לאחר מכן, כאשר SHAP ו-LIME יושמו לשיפור יכולת הפרשנות ולזיהוי קשרים מרכזיים בין יסודות זעירים תזונתיים לסיכון LBP. מבין המודלים שנבדקו, Random Forest הראתה את הביצועים החיזויים הטובים ביותר, הן כאשר משלבים משתנים דמוגרפיים והן כאשר משתמשים רק באלמנטים מזעירים תזונתיים. ניתוחי פרשנות זיהו בעקביות מספר רכיבים תזונתיים — כולל לחות, תיאוברומין, סידן, קפאין, נתרן וויטמין C — כקשורים הפוך לסיכון LBP. למרות שהבחנה במודל הייתה בינונית (AUC ≈ 0.60–0.72), ממצאים אלו חושפים דפוסים קליניים רלוונטיים שעשויים לתמוך בשכבת סיכון ברמת האוכלוסייה ולהדגיש גורמים תזונתיים ניתנים לשינוי למחקר עתידי.
כאבי גב תחתון כרוניים (LBP) הם בין ההפרעות השריר-שלד הנפוצות ביותר בעולם ויש להם עלויות סוציו-אקונומיות משמעותיות הקשורות לנכות, טיפול רפואי ואובדן איכות חיים. נתונים אפידמיולוגיים מצביעים על כך ש-7–10% מהמבוגרים מדווחים על LBP ברחבי העולם, כאשר השכיחות לאורך החיים מגיעה לעיתים ל-84%1. היא נפוצה בעיקר במדינות בעלות הכנסה נמוכה/בינונית, שבהן גורמים הקשורים לעבודה, גישה לקויה לשירותי בריאות ואי-שוויון חברתי-כלכלי מגבירים את הסיכון, כאשר השכיחות לעיתים עולה על 20% בקרב מבוגרים בגיל עבודה2. מתבגרים וקשישים, במיוחד, פגיעים יותר לשינויים מבניים וניווניים כגון ניוון דיסק בין-חולייתי ואוסטאופורוזיס3.
LBP היא מחלה רב-פקטורית המושפעת מגורמים ביומכניים, פסיכוסוציאליים, גנטיים ותזונתיים, המחייבת שיטות אנליטיות המסוגלות ללכוד בו-זמנית את האינטראקציות המורכבות בין משתנים מגוונים. סקירות שיטתיות עדכניות ממשיכות להדגיש כי האטיולוגיה של LBP נותרה מסתורית, מושפעת מגורמים ביומכניים, פסיכוסוציאליים וגנטיים, ולכן קשה לזהות אותה במדויק. יותר מ-85% מהמקרים של 'LBP' אינם ספציפיים, מה שהופך את פיתוח מניעה וטיפול ממוקדים למאתגר 4,5. למרות שטיפולים רב-מודליים הכוללים שילוב של שיטות פיזיקליות ופרמקולוגיות נוטים לספק הקלה תסמינית, רבים מהמטופלים נשארים חזרתיים, סימן שמצביע על צורך דחוף בגורמי סיכון חדשים, ניתנים למניעה וניתנים לשינוי ל-LBP6.
שיטות סטטיסטיות מסורתיות מוגבלות בהתמודדות עם מורכבות זו, שכן לעיתים קרובות הן מסתמכות על הנחות ליניאריות ואינן מצליחות למודל כראוי אינטראקציות רב-ממדיות ויחסים לא ליניאריים הטבועים בנתונים רב-פקטוריים כגון פרופילי תזונה של NHANES. לעומת זאת, גישות למידת מכונה מציעות תועלת עליונה על ידי טיפול במספר רב של משתנים בו-זמנית, זיהוי דפוסים ואינטראקציות עדינות, ומתן תחזיות חזקות למחלות כמו LBP שבהן גורמים מרובים מתכנסים.
מיקרונוטריינטים תזונתיים, כולל ויטמינים, מינרלים ויסודות קורט, חיוניים לאיזון פיזיולוגי ועוזרים להפחית את הסיכון למחלות כרוניות. הוויטמינים נוגדי החמצון E (α-טוקופרול) ו-C מפחיתים נזק חמצוני הקייםבמחלות לב וכלי דם וניווניות 7,8. ויטמיני B-קומפלקס, כגון תיאמין (ויטמין B1), פירידוקסין (ויטמין B6), חומצה פולית וקובלאמין (ויטמין B12), הם גם הם ויסות חיסון ומסייעים למטבוליזם של אנרגיה תאית; ליקויים בהם נקשרו לסרטן, פוריות ודיכאון במצב רוח 9,10,11. מינרלים, במיוחד מגנזיום, אבץ, נחושת וסלניום, משתתפים במסלולים אנזימטיים ואנטי-דלקתיים המונעים סרקופניה, אנדומטריוזיס והפרשות תזונתיות לאחרניתוח בריאטרי. סקירות נרטיביות מדגישות את חשיבותם במניעת מחלות נלוות הקשורות להשמנת יתר ומחלות עור כמו דרמטיטיס סבוריאקי ואלופסיה אראטה באמצעות מודולציה של שומנים ותפקידים אימונולוגיים13,14. בסך הכול, אות לכך שהגישה הטובה ביותר לבריאות הקהילה עשויה להיות צריכה מספקת של מיקרונוטריינטים, אם כי ניסויים התערבותיים מראים בעיקר תוצאות הטרוגניות המבוססות על גורמים הקשריים15,16.
יתרה מזאת, יישומי למידת מכונה הכוללים נתוני תזונה הראו יעילות בהבהרת גורמי סיכון למחלות שריר-שלד אחרות, כגון חיזוי סיכון לדלקת מפרקים מנתוני סקר17 וזיהוי תורמים לאורח החיים (כולל תזונה) ל-LBP ולמצבים קשורים בקבוצות מבוססות אוכלוסייה18.
למרות שפע הקשרים בין מיקרונוטריינטים למחלות כרוניות, הקשר בין מיקרונוטריינטים במזון לסיכון ל-LBP נותר לא מוגדר היטב, ומנגנוני הפעולה אינם ודאיים. בעוד שמחקרים תצפיתיים מדווחים לעיתים קרובות על חסרים בוויטמין D, מגנזיום ונוגדי חמצון בקרב אנשים עם LBP, מטא-אנליזות של ניסויי תוספים—במיוחד אלו שכללו ויטמין D—הניבו ראיות מוגבלות ולא עקביות להקלה על כאב19,20.
בדיקה שיטתית של הספרות הקיימת חושפת מגבלות מרכזיות: הסתמכות על עיצובים חתך ומקרה ביקורת שאינם יכולים לקבוע סיבתיות21; שליטה לא מספקת על גורמים מבלבלים, כולל דמוגרפיה, אורח חיים ומחלות נלוות20,22; דגימות קטנות ולא מייצגות; הגדרות משתנות של מצב מיקרונוטריינטים ותוצאות כאב; ומיקוד בחומרים מזינים מבודדים ללא התחשבות בסינרגיה תזונתית או אנטגוניזמים23. ליקויים אלו עיכבו את פיתוח תובנות ברורות ומעשיות לגבי ויסות תזונתי של LBP.
למבנה השערה מפורש יותר, מוצע כי מיקרונוטריינטים מפעילים אפקטים מגנים נגד LBP באמצעות שלושה מסלולים מקושרים מכנית: פעולות נוגדי חמצון ואנטי-דלקתיות שמפחיתות לחץ חמצוני ודלקת עצבית (ויטמינים C, E, סלניום, אבץ, מגנזיום); תמיכה בתיקון עצבי והפחתת נזק שנגרם על ידי הומוציסטאין (ויטמיני B-קומפלקס); ושיפור ההומאוסטזיס של עצמות ושרירים באמצעות איתות מינרלים וויסות סידן בתיווך ויטמין D (ויטמין D, מגנזיום, סידן). מסגרת כזו מדגישה את האינטראקציה הדו-כיוונית בין מצב מיקרונוטריינטים, דלקת מערכתית וכרוניות כאב, כפי שניתן לראות בקשרים עם דיאטות פרו-דלקתיות24.
מחקרים חתכים מצביעים על כך שתזונה פרו-דלקתית חסרת מיקרונוטריינטים גורמת לרמות גבוהות יותר של כאב בטני או כרוני, מה שמרמז על קשר דו-כיווני שבו חוסר בקלטים של מיקרונוטריינטים מחמיר דלקת וכאב מערכתית24.
כדי להתמודד עם סוגיות אלו, פיתחו מודלים רבים של למידת מכונה הכוללים מגוון רחב של מיקרונוטריינטים בתזונה (ויטמינים (E, A, B1, B6, B12, C, K), מינרלים (סידן, מגנזיום, ברזל, אבץ, נחושת, סלניום) ואלמנטים תזונתיים נוספים כולל סיבים, חומצות שומן רב-בלתי רוויות, אשלגן וקפאין) עם נתוני NHANES לחיזוי סיכון LBP. אסטרטגיה מבוססת למידת מכונה זו מתאימה במיוחד לאופי הרב-גורמי של LBP, שכן היא מתגברת על מגבלות הסטטיסטיקה המסורתית על ידי מידול אסוציאציות מורכבות ולא ליניאריות בין גורמי סיכון תזונתיים ואחרים בו-זמנית. חקירה מקיפה יותר זו יכולה להתמודד עם אסוציאציות לא ליניאריות ומספקת משוואה איתנה למנבאי LBP מרכזיים. באמצעות ערכי SHAP לפרשנות גלובלית, הם יכולים לראות כיצד שילובים של חומרים מזינים משפיעים על הסיכון ל-LBP, מה שפותח דלת להתערבויות מותאמות אישית ולמחקרים נוטריגנומיים.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
חקירה זו אושרה על ידי המרכז הלאומי לסטטיסטיקה בריאותית (NCHS) של ועדת סקירת האתיקה (NCHS), והתקבלה הסכמה מדעת מכל המשתתפים. נתוני NHANES הזמינים לציבור שימשו בהתאם להנחיות הרלוונטיות.
אוכלוסיית המחקר
סקר הבריאות והתזונה הלאומי (NHANES), שנערך על ידי ה-NCHS, מספק נתונים מייצגים ארצית על מצב הבריאות והתזונה של אוכלוסיית ארה"ב הלא-מוסדית. נתונים ממחזורי 2001–2004 ו-2009–2010 נאספו. משתתפים בגיל ≥18 נכללו, בעוד שאנשים עם נתונים חסרים על LBP כרוני, מיקרונוטריינטים תזונתיים, רמת השכלה או משתנים מרכזיים — כולל יחס עוני-הכנסה (PIR), מדד מסת גוף (BMI), מצב עישון, יתר לחץ דם, סוכרת וצריכת אלכוהול — הוצאו. הקבוצה האנליטית הסופית כללה 8,710 משתתפים (איור 1).
הערכת רכיבים תזונתיים
נתוני צריכת תזונה התקבלו באמצעות שני ראיונות שחזור תזונתי שנמשכו 24 שעות. הראיון הראשון נערך במרכז בחינות נייד, והשני הושלם בטלפון תוך מספר ימים. שיטת ריבוי המעברים האוטומטית יושמה לשיפור דיוק הקריאה ולהפחתת הטיית דיווח. נהלי AMPM מפורטים מתוארים בתיעוד המתודולוגיה התזונתית של NHANES.
הערכת LBP כרוני
סטטוס LBP כרוני נקבע באמצעות נתוני שאלון. המשתתפים סווגו כבעלי LBP אם דיווחו על כאבי גב שנמשכו ≥3 חודשים.
משתנים משתנים
המאפיינים הדמוגרפיים כללו גיל, מין, גזע/אתניות (אמריקאי-מקסיקני, היספנים אחרים, לבנים לא-היספנים, שחורים לא-היספנים, גזע אחר), השכלה (<כיתה ט', ט'–י"א), תואר (תעודת בגרות/GED, חלק מתואר ראשון/AA ובוגרי אוניברסיטה), יחס הכנסה לעוני משפחתי (PIR), מדד מסת גוף (BMI), מצב עישון וכן מצב שתייה והיסטוריה של יתר לחץ דם וסוכרת. יתר לחץ דם הוגדר בהתבסס על אבחנה מדווחת על ידי רופא או שימוש נוכחי בתרופות נוגדות לחץ דם. סוכרת הוגדרה באמצעות אבחנה מדווחת עצמית על ידי רופא, רמות גלוקוז גבוהות לאחר בדיקת סבילות לגלוקוז של שעתיים (≥11.1 מ"מ/ליטר), או המוגלובין מגולקט ≥6.5% או גלוקוז בצום ≥7.0 מ"מ/ל"ר). טרום-סוכרת הוגדרה כהודעה על ידי רופא שיש לך טרום-סוכרת, ערכי סבילות לגלוקוז ב-2 שעות OGTT של 7.8–11.1 מ"מ/ליטר, גלוקוז בצום של 6.1–6.9 מ"מ/ליטר. או ערך HbA1c של בין 5.7%–6.4%. הסטטוס של העישון הוגדר כ-(1) לא עדכני לפני החודש האחרון, או הפסקת עישון ליותר משנה, ו-(2) עישון נוכחי (דיווח עצמי לאחרונה) מוגדר כעישון יותר מ-2 סיגריות ביום לאחר החזרת ההרגל או לפני הפסקה. לגבי מצב השתייה, קיימות שתי הגדרות: (1) אנשים שאינם שותים לכל החיים ללא שתיית אלכוהול קודמת (<12 בסך הכל), ו-(2) שותים נוכחיים המדווחים על שתייה ≥12 פעמים בשנה, או שתייה לפחות שש פעמים במהלך 12 החודשים האחרונים. BMI חושב כמשקל ÷ גובה2.
עיבוד מוקדם ובחירת תכונות ללמידת מכונה
בסך הכל נכללו 52 משתנים, כולל 45 משתנים רציפים ו-7 משתנים קטגוריים. כל הליכי הקדם-עיבוד ובחירת התכונות — כולל הסרת רב-קולינאריות, יישום SMOTE ובחירת תכונות מבוססות Boruta — בוצעו בלעדית על מערכת ההדרכה כדי למנוע דליפת נתונים. כדי לבטל את הרב-קולינאריות, הוסרו תחילה המשתנים עם מקדמי קורלציה גדולים מ-0.9, ולאחר מכן המשתנים עם VIFים גדולים מ-3.
כדי לשפר את חוסר האיזון המעמדי והכרה במחלקות מיעוט (כלומר: קשות יותר), יושמה טכניקת דגימת יתר של מיעוט סינתטי (SMOTE) (איור משלים 1), שיוצרת מרחקים בין דגימות מחלקות מיעוט, מחשבת את השכנים הקרובים ביותר למרחקים אלה, ומייצרת נתונים סינתטיים בכיוונים אקראיים לאיזון בין מחלקות. כל המשתנים ששימשו עברו סטנדרטיזציה לאחר מכן.
בחירת התכונות הושלמה עם Boruta ביערות אקראיים, שיצר תכונות "צל" ו"בדק" אותן מול תכונות הקלט ביותר מ-500 איטרציות. אלו שסווגו כ"מאושרים" נשמרו לבניית הדגם. למידע מפורט על כיוון היפרפרמטרים, אנא עיין בטבלה המשליחה 1.
ניתוח סטטיסטי
כל הניתוחים בוצעו בהתאם להנחיות האנליטיות של NHANES. משתנים רציפים דווחו כסטיות תקן ממוצעות ± (SD), בעוד שמשתנים קטגוריים הוצגו כספירה ואחוזים. הבדלים בין קבוצות נבדקו באמצעות מבחני כי-ריבוע או מבחני t של סטודנטים במידת הצורך.
כדי למנוע התאמת יתר, הנתונים חולקו באקראי לסט אימון7 ומערך בדיקה. באמצעות MLR3, נבנו שישה אלגוריתמים של למידת מכונה: Random Forest שבונה עצי החלטות רבים ומחבר את התחזיות שלהם, בעל כוח הכללה ועקביות חזקים; LightGBM מבוסס על עצי החלטה מוגברים על ידי גרדיאנט, שמכוון ליעילות ולקנה מידה; K-KNN ממיינת דגימות לפי הקרבה לשכנותיהן. K-KNN בדרך כלל נותן תוצאות טובות יותר על מערכי נתונים קטנים ולא ליניאריים; בייס נאיבי, אשר באמצעות משפט בייס נותן פשטות והוא חזק; SVM שיש לו היפר-מישורים אידיאליים למשימת הסיווג, אפילו עבור דגימות בממדים גבוהים; XGBoost הוא סוג של אנסמבל הגברת גרדיאנטים בעל ביצועים גבוהים, אפילו עם מאגרי נתונים גדולים ובלתי שלמים.
המודל הוערך באמצעות דיוק, F-beta, שטח מתחת לעקומות ROC (AUC-ROC), רגישות, ספציפיות ו-AUC-PR. AUC-ROC הוא המדד העיקרי שבו הם משתמשים, בעוד שהמדדים האחרים נותנים תובנות עמוקות יותר על ביצועים. הם מאמתים את המודלים שלהם באמצעות אימות צולב פי עשרה כדי להבטיח יציבות. ההבדלים בביצועי המודלים שלהם הוערכו באמצעות ANOVA ומבחן Kruskal–Wallis H.
ניתנות לפרשנות תכונות נחקרה באמצעות הסברים אדיטיביים של SHapley (SHAP) והסברים מקומיים ניתנים לפרשנות (LIME). SHAP גוזרת הערכות של תרומתה של כל תכונה לחיזוי המודל באמצעות ערכי Shapley, המבוססים על תורת המשחקים השיתופית, לייצוג השפעות ליניאריות ואינטראקטיביות כאחד. LIME שואבת השפעות מאפיינים על ידי קירוב מודלים מורכבים עם תחליפים פשוטים וניתנים לפרשנות (למשל, רגרסיות לאסו) כדי לסייע בהסבר השפעה של תכונות בודדות. כל הניתוחים בוצעו ב-IBM SPSS Statistics גרסה 24.0 ובגרסה R 4.3.0. ערך p דו-זנבי < 0.05 נחשב למובהק סטטיסטית.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
מאפייני בסיס לפי מצב LBP כרוני
מאפייני בסיס מסודרים לפי מצב LBP כרוני מתוארים בטבלה 1. הקבוצה האנליטית הסופית כללה 8,710 משתתפים מ-NHANES 2001–2004 ו-2009–2010, עם גיל ממוצע של 49.13 שנים (SD = 18.43). מתוכם, 4,528 (51.99%) היו נשים ו-4,182 (48.01%) גברים. בסך הכל, 3,838 משתתפים דיווחו על LBP (ממוצע גיל 48.62 שנים; SD = 17.69). בהשוואה למשתתפים ללא LBP, אלו עם LBP קיבלו צריכות נמוכות משמעותית של מספר מיקרונוטריינטים תזונתיים, ...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
מחקר זה השתמש בנתוני NHANES והשתמש במספר אלגוריתמים, ומצא קשר בין מיקרונוטריינטים תזונתיים ל-LBP כרוני. חשוב לציין כי בהתחשב בעיצוב התצפיתי החתך, ממצאים אלו משקפים אסוציאציות חיזויות ולא קשרים סיבתיים, ומודלי למידת המכונה אינם יכולים לקבוע סיבתיות בין צריכת מיקרונוטריינטים לסיכון LBP. לאחר בחירת תכונות ובדיקות קולינאריות, נראה שה-Random Forest נתן את התחזיות הטובות ביותר, הן עם דמוגרפיה והן רק עם מיקרונוטריינטים תזונתיים. תוצאות SHAP ו-LIME מצאו את התכונות החשובות ביותר שחזו שלילית היו ל...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
למחברים אין ניגודי עניינים להצהיר עליהם.
עבודה זו נתמכה על ידי קרן פרויקט האנגג'ואו לחקלאות ופיתוח חברתי (20241029Y119), פרויקט הכוונה לתוכנית המדע והטכנולוגיה של מחוז שיאושאן (2025316), ופרויקט מדע וטכנולוגיה לרפואה סינית מסורתית של מחוז ג'ג'יאנג (2024ZR152).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| שיטת ריבוי מעברים אוטומטית (AMPM) | המרכז הלאומי לסטטיסטיקות בריאות (NCHS), CDC | לא זמין | מערכת הערכת תזונה המשמשת בראיונות זיכרון תזונתי 24 שעות ביממה של NHANES לשיפור דיוק הדיווח |
| אלגוריתם בורוטה | קוד פתוח (חבילת R: Boruta) | לא זמין | שיטת בחירת תכונות המבוססת על יערות אקראיים; משמש לזיהוי משתנים רלוונטיים באמצעות השוואת תכונות צל |
| ראיונות אישיים בסיוע מחשב (CAPI) | המרכז הלאומי לסטטיסטיקות בריאות (NCHS), CDC | לא זמין | מערכת ראיונות המשמשת אנשי צוות מיומנים לאיסוף נתוני שאלונים |
| סקר הבחינות הלאומי לבריאות ותזונה (NHANES) | המרכז הלאומי לסטטיסטיקות בריאות (NCHS), CDC | לא זמין | סקר ארצי המספק נתונים דמוגרפיים, תזונתיים ובריאותיים |
| שאלון מצבי הערמונית (KIQ) | המרכז הלאומי לסטטיסטיקות בריאות (NCHS), CDC | לא זמין | מקור השאלון המשמש להערכת מידע על כאבי גב |
| אלגוריתם יער אקראי | קוד פתוח (למשל, מימושים ב-R / Python) | לא זמין | מודל למידת מכונה המשמש בבחירת תכונות וסיווג |
| טכניקת דגימת יתר של מיעוטים סינתטיים (SMOTE) | קוד פתוח (למשל, DMwR / למידה לא מאוזנת) | לא זמין | טכניקת דגימת יתר המשמשת לטיפול באי-איזון מחלקתי על ידי יצירת דגימות מיעוט סינתטיות |
בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה
בקש הרשאה